消除胸部X射线图像中的骨影-骨抑制

 

随着数字化放射成像（Digital Radiography,简称DR)和计算机X线摄影 (Computed Radiography,简称CR)设备和技术的发展，X线双能减影（Dual Energy Subtraction,简称DES)技术已可分离出胸片中体现组织成分的特性图像一一软组织像 (Soft-tissue Image)和骨像（Bone Image) eDES设备使用高低两种不同能量（如120kV和 60kV)的X线摄取两幅图像，利用组织对不同能量X线衰减系数不同的现象，进行加权减影处 理，可将不同衰减系数的组织分开，得到软组织像和骨像。但是X线DES设备检测中相对普通 X线设备需要使用额外的设备，并可能降低X线球管的使用寿命，现有临床使用的DR设备绝 大部分并不具备DES功能。DES成像需要X线两次曝光，成像质量易受病人呼吸、屯、脏搏动等 人体组织运动的影响，所获取的软组织和骨像中一般存在运动伪影，而且也会使病人接受 的福射剂量有所增加。

 

人工神经网络是用于胸片骨抑制最常用的参数化回归预测模型，通过提取胸片图 像中的局部特征作为人工神经网络的输入，预测单个像素的软组织像/骨像的强度，速度相 对较快，其性能主要依赖有效的局部特征和模型的预测能力。当前用于胸片骨抑制的回归 预测模型的主要问题在于，需要对胸片进行复杂的对比度归一化处理，并从胸片图像提取 有效的特征和预测模型参数的优化，保证预测精度。

 

 

 

预处理部分 对dicom图像 采用Unet网络快速获取肺部区域蒙版, 对肺部区域内计算图像的床宽床位，获取图像肺部最优位置区间，并将图像归一化处理。采用反转，扭曲，调整图像对比、旋转角度等方式增强数据以增加数据。

 

 

 

我们将肋骨视为图像中的噪声信息，使用图像去噪的方法来完成肋骨抑制的任务，采用深度卷积网络作为基础模型，分析并尝试多种策略来提升模型性能，最终采用Unet网络结构，通过跳跃连接以及残差策略增强网络细节表现能力。为了在计算中减少对图像的细节纹理的损失，模型采用在原图大小直接计算， 考虑到显存压力，使用1024*1024滑动窗口计算，并采用Overlap-tile策略减少计算边缘信息损失。这些策略有效的保证了输出结果的准确性，精确性。 模型可以在保留肺部纹理细节清晰同时也能有效的抑制骨影。

 

 

 

 

 

    

 9月23日 项目更新两个版本：

1. 输出图像不在缩小损失细节信息

2.引入新数据 重新训练后 抑制骨影后  肺部纹理更加清晰

项目计划：

1.增加模型 对骨影的增强。